基于信息增益與CHI 卡方統(tǒng)計(jì)的情感文本特征選擇?

楊新怡 肖利雪

（西安郵電大學(xué)計(jì)算機(jī)學(xué)院 西安 710121）

1 引言

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，人們獲得信息的方式越來越多，而現(xiàn)今社會中新媒體的盛行，讓更多的人選擇互聯(lián)網(wǎng)來記錄自己在某一時(shí)刻的心理情感，而這些用戶越來越多的評價(jià)情感文本隨之增加，因此就會產(chǎn)生很多的文本數(shù)據(jù)，但是如何管理和篩選這些文本是至關(guān)重要的［1］。數(shù)據(jù)挖掘方法中最值得研究的是文本分類，它是將根據(jù)文本中的情感詞的情感偏向，給定整個(gè)文本的情感。文本分類一般過程是第一步進(jìn)行初始文本預(yù)處理，將預(yù)處理后的文本進(jìn)行特征降維，將降維后的文本表示成計(jì)算機(jī)可以識別的方式，分類器的選擇與訓(xùn)練、將需要分類的文本進(jìn)行分類以及結(jié)果評價(jià)［2］。文本表示就是將文本表示成計(jì)算機(jī)可以識別的方式，一般是將一個(gè)分詞后的一個(gè)中文詞條看作最小的表示單位，一個(gè)中文詞條視為一維的語義載體，特征空間就是由全部的中文詞條組成，而有些特征項(xiàng)是對于文本分類沒有幫助的［3］。所以，文本分類的流程中必須要做特征降維。特征降維主要有兩種方法，分別是特征選擇和特征提取［4～7］。

目前，特征選擇方法是：信息增益法（IG），文檔頻率法（DF），互信息方法（MI），卡方檢驗(yàn)法（CHI），加權(quán)對數(shù)似然（WLLR）和加權(quán)頻率和可能性（WFO）［8］。其中就特征選擇實(shí)驗(yàn)結(jié)果最優(yōu)的是IG和CHI。但是它們還是存在一些不足的地方，針對它們的優(yōu)缺點(diǎn)的改進(jìn)算法也是層出不群。在信息增益的方法上，李學(xué)明等［9］提出一種基于信息增益與信息熵的TFIDF算法，主要的研究點(diǎn)是發(fā)現(xiàn)權(quán)重的影響因素有特征詞在不同位置的分布，對特征詞在類內(nèi)和類間做了研究。LIU［10］等提出一種新的結(jié)合LW 索引與序列正向搜索算法的特征選擇算法。文獻(xiàn)［11］使用不同的加權(quán)方法，特征選擇方法是自適應(yīng)遺傳算法，采用多種不同的分類方法對文本分類進(jìn)行研究。HE等［12］通過添加權(quán)重因子來平衡特征項(xiàng)對分類的影響。在卡方統(tǒng)計(jì)的方法上，文獻(xiàn)［13］等是對CHI特征選擇算法的優(yōu)化算法，它的優(yōu)化方法是基于特征項(xiàng)的分布位置差異以及文獻(xiàn)［14］通過對傳統(tǒng)CHI 方法選擇精度的影響因素進(jìn)行分析，提出了消除特征項(xiàng)與類別負(fù)相關(guān)對特征選擇精度影響的改進(jìn)算法。以上兩者都是傳統(tǒng)的文本分類卡方統(tǒng)計(jì)改進(jìn)方式。

上述的方法大多數(shù)都是對傳統(tǒng)文本的分類有較好的效果，相比較而言，情感文本就包含更多的情感信息，觀點(diǎn)信息。所以，如果只使用傳統(tǒng)文本的分類方式，對情感文本去做分類是片面的，我們要做到剖析其隱含的情感色彩［15］。本文主要是在眾多特征選擇算法中，選擇出兩種較優(yōu)的特征選擇算法，將其進(jìn)行算法融合，經(jīng)過實(shí)驗(yàn)證明，融合后的特征選擇算法在情感文本分類有較好的實(shí)驗(yàn)效果。

2 文本分類過程及關(guān)鍵技術(shù)簡述

2.1 文本分類過程

文本分類的主要目的是對于提供的文本信息進(jìn)行分類。在數(shù)據(jù)挖掘中，對文本分類主要有兩大主要部分組成。第一是訓(xùn)練分類效果良好的分類器，第二就是文本分類。在訓(xùn)練分類器是通常是將已經(jīng)準(zhǔn)備好的訓(xùn)練樣本作為輸入，經(jīng)過一些預(yù)處理工作，再選擇一些有代表性的分類算法進(jìn)行分類，最終的分類結(jié)果就是如圖1（a）所示。那對于文本分類，其實(shí)就是將我們已經(jīng)訓(xùn)練好的文本分類器對指定待分類數(shù)據(jù)集的使用，如圖1（b）所示。總的來說，文本分類整體過程就是預(yù)處理、訓(xùn)練、分類的過程。

圖1 文本分類流程圖

2.2 關(guān)鍵技術(shù)簡述

文本分類預(yù)處理即中文分詞和去停用詞。中文分詞，即Chinese Word Segmentation，即將一個(gè)漢字序列進(jìn)行切分，得到一個(gè)個(gè)單獨(dú)的詞。本文選用專用分詞的python 庫jieba，具有分詞效果好，分詞快等特點(diǎn)［16］。去停用詞主要是要確定停用詞表，目前使用最多的停用詞表就是哈工大停用詞表，百度停用詞表，四川大學(xué)機(jī)器智能實(shí)驗(yàn)室停用詞庫［17～18］。本文是將主流的三種停用詞表做了整合，然會將文本預(yù)處理后得到的特征詞與此整合的詞表做匹配。如果文本預(yù)處理后的特征詞有在停用詞表中，則表明這個(gè)特征詞是無用的。

在文本預(yù)處理后得到特征項(xiàng)，但是這些特征項(xiàng)還是包含了很多的無用干擾項(xiàng)，所以還需要進(jìn)行進(jìn)一步的篩選。本文采用空間向量模型（VSM）將預(yù)處理后的特征項(xiàng)做了初始化，將每一個(gè)特征項(xiàng)表示為該文檔的特征向量的一個(gè)分量。最后，經(jīng)過初始化的特征集就是后續(xù)特征選擇步驟的輸入。

3 傳統(tǒng)特征選擇算法

3.1 信息增益方法

在信息增益中，選出的特征詞是否有用其判斷標(biāo)準(zhǔn)是這些特征詞的區(qū)分力，如果這個(gè)特征詞蘊(yùn)含的區(qū)別信息越明顯，那它就是有用的，即計(jì)算存在特征t 與不存在特征t 兩種情況之間的計(jì)算差值。

對于分類器而言，類別C 為變量，n 表示類別的總數(shù)，取值范圍為C1，C2，…，Cn，而其類別出現(xiàn)時(shí)所相對應(yīng)的概率是P(C1)，P(C2)，…，P(Cn)，此時(shí)分類器的熵表示為

對于無特征t 的狀況下，所表達(dá)的是分類器中已經(jīng)包含特征t，但是t 已經(jīng)是一個(gè)定值，這種情況下的信息的熵就是計(jì)算t 固定時(shí)的信息熵，即條件熵，則無特征t 時(shí)的信息熵計(jì)算公式可以表示為

式中：P(t)表示T 出現(xiàn)的概率，P(tˉ)表示T 不出現(xiàn)的概率。最終特征T 給分類器帶來的信息增益分類器原來的熵與固定特征T 后的條件熵之差：IG(T)=H(C)-H(C|T )

3.2 CHI特征選擇算法

CHI 特征選擇算法是以假設(shè)特征詞與類別相互獨(dú)立為前提，計(jì)算這兩個(gè)變量之間的值（即偏差程度）。如果計(jì)算得到的值越大（即偏差越大），則特征詞與類別越相關(guān)。假設(shè)特征變量t 與類別c相互獨(dú)立，則t 對于類別c 的CHI統(tǒng)計(jì)量表示為

式中，參數(shù)A 表示屬于類別c 且包含特征詞t 的文檔數(shù)，參數(shù)B 表示不屬于類別c 但包含特征詞t 的文檔數(shù)，參數(shù)C 表示屬于類別c 但不包含特征詞t的文檔數(shù)，參數(shù)D 表示既不屬于類別c 也不包含特征詞t 的文檔數(shù)，參數(shù)N 表示文檔的總數(shù)，上述公式計(jì)算特征詞t 與類別c 之間的相關(guān)性，當(dāng)t 與c相互獨(dú)立時(shí)，χ2( )t，c =0 ；當(dāng)t 與c 相關(guān)性越強(qiáng)，χ2(t，c)值越大，即特征詞t 中與類別c 就越相關(guān)。

4 基于傳統(tǒng)特征算法的改進(jìn)

針對CHI 和IG 特征選擇方法存在的不足進(jìn)行研究和分析，本文提出一種通過加權(quán)實(shí)現(xiàn)IG和CHI兩種特征選擇算法的融合的特征選擇算法，使用IG_CHI 特征選擇算法選出具有較強(qiáng)類別表征性的特征項(xiàng)，可以在兩種方法中取一個(gè)權(quán)值α，綜合其弊端

同時(shí)為了更加突出蘊(yùn)含情感的詞條，在選取合適的特征詞時(shí)，對情感特征詞的IG(T，C)_CHI 值乘上β 值，即

式中：y 取0 和1，當(dāng)特征詞為情感特征詞時(shí)，y 取1，反之取0。

5 實(shí)驗(yàn)過程及結(jié)果分析

實(shí)驗(yàn)環(huán)境：操作系統(tǒng)是Windows10 64 位，處理器是Inter Core i7-8550U，內(nèi)存是8GB，實(shí)驗(yàn)數(shù)據(jù)集是爬取京東電腦的評論數(shù)據(jù)，總共爬取相關(guān)數(shù)據(jù)50152 條，其中對商品好評為25065 條，差評為25087 條。以此作為樣本集對本文改進(jìn)的算法進(jìn)行驗(yàn)證，特征加權(quán)方式是TFIDF，分類器選擇是SVM分類器。

先對數(shù)據(jù)進(jìn)行分詞，去掉停用詞等預(yù)處理操作，其中分詞使用python 的jieba 庫，對分詞后的結(jié)果進(jìn)行進(jìn)一步篩選去除無用信息，再采用選取的兩種傳統(tǒng)的特征選擇算法，以及本文中優(yōu)化后的算法，將傳統(tǒng)算法與改進(jìn)算法做對比實(shí)驗(yàn)。

5.1 評價(jià)指標(biāo)

對于情感分類結(jié)果評價(jià)的指標(biāo)有查準(zhǔn)率（Precision），召回率（Recall）和F-測度值（F-measure）。

對于情感傾向性分類問題，可將樣例根據(jù)其真實(shí)類別與預(yù)測類別的組合劃分為真正類（True Positive，TP），假正類（False Positive，F(xiàn)P），真反類（True NegatIverson，TN），假反類（False Negative，F(xiàn)N）四種情況，真實(shí)類別與預(yù)測類別組合劃分的標(biāo)識結(jié)果如表1所示。

表1 真實(shí)類別與預(yù)測類別組合劃分

其中，F(xiàn)P 是將原本屬于正類的樣本預(yù)測成正類，分類正確；FN 是將原本屬于正類的樣本錯(cuò)分到負(fù)類，分類錯(cuò)誤；FP 是將原本屬于負(fù)類的樣本錯(cuò)分到正類，分類錯(cuò)誤；TN 是將原本屬于負(fù)類的樣本預(yù)測成負(fù)類，分類正確。

查準(zhǔn)率P，查全率R 以及F -測度值分別定義為

其中β 是一個(gè)調(diào)整因子，用來調(diào)節(jié)P 和R 之間的相互關(guān)系，β 通常取為1，則有

5.2 實(shí)驗(yàn)結(jié)果與分析

本文分別采用傳統(tǒng)CHI方法，IG方法以及本文提出的IG_CHI 方法進(jìn)行特征提取，并采用SVM 進(jìn)行分類。表2 為CHI、IG 方法以及本文提出的IG_CHI 方法在不同維度下情感分類的結(jié)果。由表可以看出，基于信息增益與CHI融合的特征選擇算法提取的特征采用SVM 算法在相同特征維度下的識別率要高于其他兩種特征提取算法，當(dāng)特征維度達(dá)到1500 本文提出的算法識別率較高，達(dá)到87.22%。說明本文提出的特征選擇算法能夠較準(zhǔn)確地提取出文本中的特征。

表2 在不同維度下的情感分類準(zhǔn)確率

6 結(jié)語

本文提出了一種基于CHI 和IG 的特征選擇融合算法，通過大量的傳統(tǒng)特征選擇算法與融合算法的對比實(shí)驗(yàn)，結(jié)果也證明了該算法對于文本情感分類有明顯效果。對于不同的語言環(huán)境，權(quán)重值的設(shè)定是一個(gè)動態(tài)不確定因子，對特征提取的準(zhǔn)確性具有一定的影響，因此，將進(jìn)一步研究根據(jù)不同語言環(huán)境下的準(zhǔn)確率自適應(yīng)的調(diào)整情感詞的權(quán)重，成為本文后續(xù)研究的方向。